[Python] 开源AI助手nanobot：仅4000行代码，支持多平台与多模型的轻量级架构解析

今天要介绍的项目 nanobot，来自香港大学数据科学实验室。顾名思义，这是一个“纳米”级别的项目，定位为超轻量级个人 AI 助手。它极其注重代码的可读性、对研究友好、启动速度快，并且易于集成多种大模型和聊天通道。

项目开源不久，便在 GitHub 上收获了超过 1.3 万颗星标，热度可见一斑。

nanobot 的灵感来源于 Clawdbot，但其核心代码量仅为 4000 行左右。相比之下，原版 Clawdbot 的代码量大约有 43 万行，这意味着 nanobot 在体积上缩减了惊人的 99%。因此，如果你对 Clawdbot 这类 AI Agent 的实现原理感兴趣，nanobot 是一个非常理想的入门和研究对象，其代码结构清晰，易于阅读、修改和扩展。

项目简介

nanobot 支持通过 Telegram、Discord、WhatsApp 以及飞书等主流聊天应用与 AI 进行交互。特别是对飞书的原生支持，让它在国内的办公场景中具有很强的实用性。

在模型支持方面，它几乎兼容所有主流的 LLM 服务提供商，包括 OpenRouter、Claude (Anthropic)、OpenAI、DeepSeek、Google Gemini，并且能够通过 vLLM 无缝运行本地模型，为用户提供了极大的灵活性。

下图清晰地展示了 nanobot 的核心架构：

整个架构可以分解为几个核心模块：

• Agent Loop（代理循环）: 这是系统的大脑，负责根据当前任务、上下文以及工具调用的结果，进行连续的推理和决策。
• Context（上下文管理）: 该模块管理短期和长期记忆，并负责对话上下文的裁剪与重组，确保AI能理解连贯的对话流。
• Skills & Tools（技能与工具）: 这是一组可被AI调用的外部工具集，例如查询 GitHub 仓库、获取天气信息、操作 tmux 会话、执行 shell 命令等，极大地扩展了AI的能力边界。
• Chat 应用适配层: 负责对接不同的消息平台，接收用户输入并发送AI响应。
• LLM 模块: 统一管理和自动适配不同的 LLM 提供商与具体模型，简化了配置和调用的复杂性。

它能做什么？

你可以利用 nanobot 快速搭建属于自己的个性化 AI 助手，应用场景非常广泛，例如：

1. 全栈软件工程师助手：让它理解你的代码库上下文，协助进行开发、调试、部署甚至扩缩容等运维操作。
2. 全天候实时市场分析师：监控股票、加密货币等市场行情，自动发现趋势并生成有价值的投资见解报告。
3. 智能日常事务管理器：管理你的日历日程，自动执行重复性的任务（如数据整理、报告生成），并智能整理待办事项列表。
4. 个人知识库助手：学习你提供的文档、笔记等资料，建立长期记忆，并能基于这些知识进行深入的问答和推理。

如何快速使用？

nanobot 的安装过程非常简单快捷，你可以通过 uv 或 pip 轻松完成。

安装完成后，你需要配置API密钥（例如 OpenRouter 或 OpenAI 的 Key），然后通过几条简单的命令行指令即可启动你的AI助手：

① 初始化配置

nanobot onboard

② 配置模型提供商
以使用 OpenRouter 为例，你需要在 ~/.nanobot/config.json 配置文件中进行如下设置：

{
  "providers": {
    "openrouter": {
      "apiKey": "sk-or-v1-xxx"
    }
  },
  "agents": {
    "defaults": {
      "model": "anthropic/claude-opus-4-5"
    }
  }
}

③ 启动并测试

nanobot agent -m “二加二等于几？”

就这样，你可以在几分钟内获得一个完全可工作的个人AI助手。

nanobot 的流行，很大程度上反映了当前开发者社区的一种趋势：厌倦了庞大、黑盒化的重型框架，转而去寻求一个自己能够完全看懂、掌控并定制的代码基座。对于学术界和研究人员而言，一个干净、轻量的单体 Python 项目，远比一个臃肿的微服务产品更适合进行实验和原型验证。它有力地证明了，构建一个功能强大的 AI Agent，未必需要复杂的架构，清晰的逻辑和简洁的代码同样能发挥巨大威力。

如果你对这类轻量级、高可读性的 开源实战 项目感兴趣，不妨前往其 GitHub 仓库深入了解，甚至参与到社区贡献中。

开源地址：https://github.com/HKUDS/nanobot

探索更多前沿的 人工智能 技术与开源项目，欢迎持续关注云栈社区，这里聚集了众多乐于分享与交流的开发者。